CENTRO UNIVERSITÁRIO FEI

CÉSAR NOGUEIRA SILVA

JEFFERSON ALMEIDA MATOS
FERNANDA FERREZI LOPES

AQUISIÇÃO DE ECG E CLASSIFICAÇÃO DE ARRITMIAS POR MACHINE

LEARNING

São Bernardo do Campo

2021
 CÉSAR NOGUEIRA SILVA RA: 11.217.014-7
JEFFERSON ALMEIDA MATOS RA: 11.217.024-6
FERNANDA FERREZI LOPES RA: 11.117.635-0

AQUISIÇÃO DE ECG E CLASSIFICAÇÃO DE ARRITMIA POR MACHINE

LEARNING

Trabalho parcial de Conclusão de Curso

apresentado ao Centro Universitário FEI, como
parte dos requisitos necessários para obtenção
do título de Bacharel em Engenharia Elétrica
Orientado por: Profa. Dra. Maria Claudia F. de
Castro.

São Bernardo do Campo

2021
 RESUMO

Esse projeto apresenta uma proposta de um dispositivo vestível autônomo para

monitoração cardíaca pessoal, aplicando técnicas de Inteligência Artificial (aprendizado de
máquina) para o reconhecimento de arritmias. Em caso positivo o dispositivo informará, por
meio de um módulo GPS (Global Positioning System) e GSM (Global System for Mobile)), a
localização precisa e o nome do paciente para um hospital, Samu, ou pessoa credenciada ao
requisitar um pedido de socorro médico, agilizando o atendimento de emergência. Desta forma,
sua implantação contribui para o desenvolvimento de inovação científico-tecnológica, à medida
que o equipamento apresenta características que ainda não foram totalmente implementadas no
mercado e causa impacto no âmbito social, tornando-o acessível, sem a necessidade de um
serviço de monitoração contínuo contratado pelo paciente. O presente documento apresenta,
após a introdução e da fundamentação teórica, a concepção geral e de design do sistema
proposto, o projeto do hardware, a metodologia de treinamento para o aprendizado do modelo
de detecção das arritimias e o banco de dados a ser utilizado, bem como o fluxograma dos
softwares. Apresenta-se também resultados preliminares de validação da metodologia, o
cronograma das atividades futuras de desenvolvimento finalizando com as conclusões e
referências bibliográficas.

Palavras-chave: ECG. Machine Learning. Arritmia.

 ABSTRACT

This project presents a proposal for an autonomous wearable device for personal cardiac
monitoring, applying Artificial Intelligence techniques (machine learning) for arrhythmia
recognition. If so, the device will inform, through a GPS (Global Positioning System) and GSM
(Global System for Mobile) module), the precise location and the patient's name to a hospital,
Samu, or accredited person when requesting a request for medical assistance, streamlining
emergency care. In this way, its implementation contributes to the development of scientific-
technological innovation, as the equipment presents characteristics that have not yet been fully
implemented in the market and causes an impact on the social sphere, making it accessible,
without the need for a monitoring service continuous contracted by the patient. This document
presents, after the introduction and theoretical foundation, the general conception, and design
of the proposed system, the hardware project, the training methodology for learning the
arrhythmia detection model and the database to be used, as well as the software flowchart. It
also presents preliminary results of validation of the methodology, the schedule of future
development activities, ending with the conclusions and bibliographical references.
Keywords: ECG. Machine learning. Arrhythmia.
 LISTA DE ILUSTRAÇÕES

Figura 1: Átrio direito (Vista lateral direita) ............................................................................ 16

Figura 2: Ventrículo direito (Vista anterior)............................................................................. 16
Figura 3: Estrutura Elétrica do coração .................................................................................... 18
Figura 4: Elementos do eletrocardiograma (normal) ................................................................ 19
Figura 5: Etapas técnicas computadorizadas. ........................................................................... 22
Figura 6: Design do equipamento. ............................................................................................ 24
Figura 7: Diagrama de blocos do sistema. ................................................................................ 25
Figura 8: Diagrama de blocos funcional do AD8233 ............................................................... 26
Figura 9: Diagrama esquemático do amplificador de instrumentação do AD8233 ................. 27
Figura 10: Filtro passa-alta implementado no AD8233 ........................................................... 27
Figura 11: Esquemático para o filtro passa-baixas. .................................................................. 28
Figura 12: Circuito completo do sistema.................................................................................. 30
Figura 13: Algoritmo do dispositivo. ....................................................................................... 32
Figura 14: Algoritmo receptor .................................................................................................. 34
Figura 15: Interface Digital do aplicativo................................................................................. 35
Figura 16: Programa em MATLAB para o tratamento de banco de dados .............................. 36
Figura 17: Interface do aplicativo Classification Learner ....................................................... 37
Figura 18: As acurácias dos 12 primeiros métodos de machine learning. ............................... 37
Figura 19: As acurácias dos 12 últimos métodos de machine learning. ................................... 38
Figura 20: Código MATLAB do modelo KNN exportado ...................................................... 39
 LISTA DE TABELAS

Tabela 1: Cronograma .............................................................................................................. 41

 SUMÁRIO
1 INTRODUÇÃO .................................................................................................... 11
2 OBJETIVOS ......................................................................................................... 13
3 FUNDAMENTAÇÃO TEÓRICA ...................................................................... 14
3.1 ANATOMIA DO CORAÇÃO ............................................................................... 14
3.1.1 Sistema Elétrico do coração ................................................................................ 17

3.2 MONITORAMENTO DE SINAIS CARDÍACOS ................................................ 19

3.2.1 Características do Eletrocardiograma ............................................................... 19

3.3 CARDIOPATIA ..................................................................................................... 20

3.3.1 Arritmia................................................................................................................. 20

3.4 INTELIGÊNCIA ARTIFICIAL E MACHINE LEARNING ................................ 22

4 METODOLOGIA ................................................................................................ 24
4.1 VISÃO GERAL DO SISTEMA ............................................................................ 24
4.2 PROJETO DE HARDWARE ................................................................................ 25
4.2.1 Diagrama de blocos .............................................................................................. 25

4.2.2 Descrição funcional e configuração dos principais componentes .................... 26

4.2.3 Diagrama de interligação dos principais blocos do hardware .......................... 30

4.3 PROJETO DE SOFTWARE .................................................................................. 31

4.3.1 Inteligência computacional para classificação de sinais de ECG .................... 31

4.3.2 Algoritmo implementado no dispositivo vestível ............................................... 32

4.3.3 Algoritmo implementado no receptor ................................................................ 33

5 RESULTADOS PRELIMINARES ..................................................................... 36

6 RESULTADOS ESPERADOS ............................................................................ 40
7 CRONOGRAMA ................................................................................................. 41
8 CONCLUSÕES .................................................................................................... 42
REFERÊNCIAS ..................................................................................................................... 43
 11

1 INTRODUÇÃO
Segundo a Organização Pan-Americana da Saúde (OPAS), com base nos dados da
Organização Mundial da Saúde (OMS), as doenças cardiovasculares são a principal causa de
morte no mundo. Estima-se que 17,9 milhões de pessoas morreram por doenças
cardiovasculares em 2016, representando 31% de todas as mortes no mundo. Destes óbitos,
estima-se que 85% ocorreram devido a ataques cardíacos e acidentes vasculares encefálicos,
sendo mais de três quartos em países de baixa e média renda (OPAS, [s.d.]).
Segundo a Sociedade Brasileira de Arritmias Cardíacas (SOBRAC), mais de 20 milhões
de pessoas sofrem de arritmia cardíaca. Arritmia Cardíaca é uma condição caracterizada por
alterações no ritmo do coração, em que os batimentos podem se tornar mais lentos, mais
rápidos, irregulares ou desordenados. Esse quadro compromete o bombeamento de sangue para
o corpo e, em casos extremos, pode levar à morte súbita. No Brasil, um em cada dez brasileiros
têm algum tipo de arritmia, sendo responsável por mais de 320 mil mortes súbitas todos os anos
(SOBRAC, 2019).
A última década tem mostrado uma mudança na abordagem do cuidado com a saúde
com a integração de recursos de monitoramento de sinais vitais a telefones celulares, relógios
e outros dispositivos portáteis. Em particular, a pandemia COVID-19 causou um aumento na
demanda por dispositivos desse tipo. Contudo, a maioria dos dispositivos de mercado apenas
informa o valor dos parâmetros, sem oferecer uma análise dos mesmos. O monitoramento
confiável e preciso, bem como a atuação em tempo real quando necessária, requisitos
obrigatórios em algumas situações, está presente nos chamados wearables inteligentes.
Contudo, o custo dessa tecnologia ainda é proibitivo para a grande maioria. Em 2013, a empresa
Nexcor criou o primeiro monitor cardíaco portátil inteligente. O aparelho é capaz de detectar
problemas no coração do usuário e transmitir os dados para uma central de atendimento ou
hospital através da rede de celular. A proposta era minimizar ao máximo o impacto das doenças
cardíacas previamente, além de diminuir os custos hospitalares. Em casos de arritmias,
isquemias, infartos ou qualquer alteração no batimento cardíaco, o equipamento emitiria um
alerta a central de processamento, a qual avisaria ao médico, empresa de resgate ou parentes
sobre o ocorrido, de modo a oferecer o devido atendimento a tempo. A locação do equipamento
poderia custar, a época, até R$600,00 por semana (DARAYA, 2013). Atualmente, um
equipamento e serviço similar é oferecido pela CardioWeb. O SmartLooper coleta e envia os
traçados de ECG de forma contínua para um servidor na nuvem, utilizando telefonia móvel
embarcada, ou até mesmo de forma opcional via celular do paciente, mantém o paciente
 12

constantemente monitorado e permite o diagnóstico precoce dos eventos a qualquer momento

e em qualquer lugar. Mas ainda hoje este é tido como um serviço nível premium, acessível para
poucos (SMART LOOPER, 2021).

Dessa forma, esse projeto apresenta uma proposta de um dispositivo vestível autônomo
para monitoração cardíaca pessoal, aplicando técnicas de Inteligência Artificial (aprendizado
de máquina) para o reconhecimento de arritmias. Em caso positivo o dispositivo informará, por
meio de um módulo GPS, a localização precisa e o nome do paciente para um hospital, Samu,
ou pessoa credenciada ao requisitar um pedido de socorro médico, agilizando o atendimento de
emergência.
 13

2 OBJETIVOS
O objetivo geral deste trabalho é o desenvolvimento de um dispositivo vestível autônomo
para monitoração cardíaca pessoal e detecção de arritmias. Como objetivos específicos,
apresenta-se a necessidade da investigação de técnicas de aprendizado de máquina (machine
learning) capazes de classificar as arritmias com acurácia adequada e do desenvolvimento de
um equipamento característico que apresente melhor relação custo-benefício em comparação
aos existentes no mercado. Desta forma, sua implantação contribui para o desenvolvimento de
inovação científico-tecnológica, à medida que o equipamento apresenta características que
ainda não foram totalmente implementadas no mercado e causa impacto no âmbito social,
tornando-o acessível, sem a necessidade de um serviço de monitoração contínuo contratado
pelo paciente.
 14

3 FUNDAMENTAÇÃO TEÓRICA
Para entendimento das características que serão tratadas e analisadas, apresenta-se
previamente um estudo conceitual acerca destas.
Este capítulo aborda os principais conceitos relacionados à anatomia do coração e ao
monitoramento cardíaco pelo eletrocardiograma, bem como à inteligência artificial e machine
learning.

3.1 ANATOMIA DO CORAÇÃO

Dentre diversos órgãos do corpo humano, o coração é aquele que possui a função de
circular o sangue, funcionando como uma bomba de sucção e pressão, que permite a troca de
substâncias gasosas nos tecidos e a manutenção da homeostasia corporal. Localizado no
mediastino, um espaço entre os pulmões, tem aproximadamente o tamanho de uma mão
fechada, cerca de 12cm de comprimento 8cm de largura e 6cm de espessura, e pesando na faixa
de 280 a 340g nos homens e de 230 a 280g, nas mulheres (DANTAS, [s.d]).
De modo geral, o coração pode ser descrito como um sistema que recebe o sangue venoso
pelas veias cavas inferior e superior. Em seguida, o sangue passa para o átrio direito e depois
para o ventrículo direito, que imediatamente bombeia o sangue para o tronco pulmonar,
ramifica para as artérias pulmonares (direita e esquerda) e finalmente aos vasos capilares que
irrigam o pulmão. A oxigenação do sangue é feita pelos alvéolos, logo após retorna para o átrio
esquerdo e passa para o ventrículo esquerdo, que bombeia o sangue para a aorta ascendente
através da válvula aórtica, e então para todo o organismo (DUTRA et al., 2009).
Denomina-se ciclo cardíaco os eventos que ocorrem no coração, desde o início de um
batimento até o próximo, ocorrendo em duas etapas: sístole e diástole (contração e relaxamento
do coração), que podem, por sua vez, ser divididas em cinco partes: sístole atrial, contração
ventricular isovolumétrica, ejeção ventricular, relaxamento isovolumétrico e enchimento
ventricular (CARMO, 2021).
No processo denominado sístole atrial, as valvas atrioventriculares (AV) se abrem e
permitem a passagem do sangue dos átrios para os ventrículos, ao mesmo tempo que as valvas
semilunares mantêm-se fechadas à fim de evitar a ejeção prematura para o interior dos grandes
vasos. Neste momento, os átrios se contraem juntamente com a abertura da valva mitral e da
valva tricúspide, fazendo com que o sangue flua para as câmaras cardíacas inferiores (CARMO,
2021).
 15

Na segunda fase do ciclo denominada contração isovolumétrica, as valvas semilunares e

atrioventriculares permanecem fechadas. Neste momento, os ventrículos iniciam uma
contração, as valvas AV são fechadas e a pressão intraventricular aumenta rapidamente. O
volume ventricular neste momento permanece constante (CARMO, 2021).
Durante a ejeção ventricular, as valvas semilunares se abrem e as valvas atrioventriculares
permanecem fechadas. Este fato ocorre devido à pressão dos ventrículos exceder a pressão nos
troncos arteriais, fazendo com que as valvas sejam abertas forçadamente. A pressão do
ventrículo esquerdo supera a pressão aórtica, e a pressão no ventrículo direito supera a pressão
da artéria pulmonar (CARMO, 2021).
Conforme a sístole progride, a ejeção do volume sanguíneo diminui, e quando o volume
sanguíneo chega de 70 a 90ml, a sístole termina.
No relaxamento isovolumétrico, todas as valvas cardíacas se fecham. Desta forma, não
há sangue passando entre as câmaras cardíacas ou para fora do coração. A pressão interna cai
para abaixo de 120mmHg, fazendo com que as valvas semilunares se fechem. Conforme a
pressão decai, as pressões arteriais superam as ventriculares, fazendo com que as valvas
atrioventriculares se abram. Durante este evento, o sangue está sendo bombeado ao redor do
corpo (CARMO, 2021).
Em um último estágio, ocorre o enchimento ventricular, onde os ventrículos começam a
encher-se devido ao sangue proveniente dos átrios, ou seja, as valvas semilunares estão
fechadas, enquanto as valvas tricúspide e mitral estão abertas. Estando relaxados, os ventrículos
são preenchidos em cerca de setenta por cento de suas capacidades máximas.
As valvas atrioventriculares começam a se fechar à medida que a pressão atrial reduz e o
volume ventricular aumenta. Então, deste modo os átrios começam a encher-se novamente.
O ritmo sinusal varia com uma frequência entre 50 e 100 bpm (LAPA, 2016).
As figuras 1 e 2, mostram representações do coração, evidenciando suas partes.
 16

Figura 1: Átrio direito (Vista lateral direita)

Fonte: (DUTRA, et al. 2009).

Figura 2: Ventrículo direito (Vista anterior).

Fonte: (DUTRA, et al. 2009).

 17

3.1.1 Sistema Elétrico do coração

O coração possui dois tipos de célula: miocárdicas, também conhecidas por células
funcionais, que quando estimuladas eletricamente se contraem; e as células marcapassos, que
são responsáveis pelo estímulo elétrico. Existem alguns tecidos que são especializados em gerar
e conduzir impulsos elétricos através do coração, sendo eles: nó sinodal (nó SA), nó
atrioventricular (nó AV), feixe de His e fibras de Purkinje (SILVA, [s.d]).
O controle da atividade cardíaca é realizado pelo sistema nervoso simpático e
parassimpático, que inervam grande parte do coração.
A figura 3 demonstra a estrutura elétrica do coração.
O nó SA está localizado na parede posterior do átrio direito, próximo as veias cavas. O
nó AV está localizado na porção inferior do septo interatrial. O feixe de His está no septo
interventricular, de modo que se divide no interior da parede dos ventrículos, tratando-se,
portanto, da fibra de Purkinje, a qual causa a contração simultânea dos ventrículos (SILVA,
[s.d]).
A regulação do ritmo do coração ocorre no nó SA, considerado o marca passo do coração.
As membranas do nó SA são muito permeáveis ao sódio, de tal modo que ao passar para o
interior das fibras, faz com que o potencial da membrana em repouso passe para o valor positivo
até atingir o seu limiar, transformando então em potencial de ação. Este impulso é propagado
pelos átrios provocando sua contração. Alguns centésimos de segundo depois, o impulso atinge
o nó AV, retardando o impulso para os ventrículos, para dar tempo a passagem de sangue. Em
seguida, o impulso é propagado pelo feixe de His e Purkinje aos ventrículos, para dar início à
contração (SILVA, [s.d]).
 18

Figura 3: Estrutura Elétrica do coração

Fonte: (SILVA, 2018).

 19

3.2 MONITORAMENTO DE SINAIS CARDÍACOS

3.2.1 Características do Eletrocardiograma

O Eletrocardiograma (ECG) é o registro da atividade elétrica do coração através de
eletrodos sobre a pele. Desta forma, o ECG é composto por uma série de ondas geradas por
cada fase do ciclo cardíaco. A figura 4 mostra o traçado clássico do ECG, evidenciando as
ondas P, Q, R S e T, com o eventual aparecimento da onda U. As linhas entre as ondas,
denominadas segmentos, também possuem relevância para a análise do sinal ECG
(ESPINDOLA, 2018).

Figura 4: Elementos do eletrocardiograma (normal)

Fonte: (FELDMAN, 2004 apud ESPINDOLA, 2018).

• Onda P: despolarização atrial, responsável pela contração dos átrios.

• Segmento PR: passagem do estímulo elétrico pelo nodo átrio-ventricular.
• Intervalo PR: intervalo entre o início da onda P e início do complexo QRS. Indica a
velocidade de condução entre os átrios e os ventrículos, assim como o tempo de
condução do impulso elétrico desde o nodo sinusal até os ventrículos.
• Complexo QRS: evidencia a despolarização e o início da contração dos ventrículos.
• Segmento ST: período de inatividade entre a despolarização e o início da repolarização
ventricular.
 20

• Onda T: fase de repolarização dos ventrículos, em que as fibras ventriculares começam

a relaxar.
• Intervalo QT: conjunto da despolarização e repolarização dos ventrículos.
• Intervalo RR: intervalo entre duas ondas R. Corresponde a frequência de
despolarização ventricular, utilizado para o cálculo da frequência cardíaca.

3.3 CARDIOPATIA
3.3.1 Arritmia
Arritmias cardíacas ou disritmias cardíacas são alterações do ritmo ou da frequência dos
batimentos cardíacos.
As arritmias cardíacas podem resultar de qualquer anomalia nos diferentes componentes
deste circuito elétrico e podem classificar-se de acordo com as alterações que provocam na
frequência cardíaca (taquicardia, bradicardia, pausas) (Margato, 2021).
• Taquicardia
Frequência cardíaca superior a 100 bpm, que pode ocorrer em diversos tipos de arritmias
como fibrilação atrial, taquicardia supraventricular, taquicardia ventricular.
• Bradicardia
Frequência cardíaca inferior a 50 bpm, que pode ocorrer em diversos tipos de arritmias
como bradicardia sinusal, bloqueio atrioventricular, fibrilação atrial.
• Doença do nó sinusal
Trata-se da disfunção do nó sinusal, o marcapasso natural da atividade cardíaca,
manifestando-se como bradicardia sinusal, pausas sinusais, taquicardia sinusal ou uma mistura
destes fenômenos.
• Taquicardia supraventricular
Um conjunto de arritmias originadas nas estruturas cardíacas e tecido de condução acima
dos ventrículos, podendo originar frequências cardíacas muito rápidas, entre 150 a 250 bpm.
• Fibrilação atrial
É uma das arritmias mais frequentes, comum a partir dos 60 anos. Esta arritmia é importante
por ser uma das principais causas de acidentes vasculares cerebrais (AVC’s).
Resulta de uma atividade elétrica atrial caótica que se sobrepõe ao ritmo cardíaco normal,
resultando em batimentos cardíacos irregulares, comumente rápidos, mas, que também poderão
ser lentos.
• Extrassístoles (Supraventriculares ou Ventriculares)
 21

As extrassístoles são batimentos cardíacos extra, originados nos átrios ou ventrículos, que
alternam com o ritmo cardíaco normal. Originam batimentos cardíacos irregulares e podem
causar sintomas como palpitações, tonturas, sensação de mal-estar torácico etc.
• Bloqueios fascicular e atrioventricular (AV)
Trata-se de uma deficiência na condução dos impulsos elétricos gerados ao nível do nó
sinusal ou dos átrios até os ventrículos, ocorrendo um atraso ou diminuição das contrações
ventriculares.
• Arritmias ventriculares
A arritmia ventricular, possui origem nos ventrículos como taquicardia ventricular ou
fibrilação ventricular. São arritmias graves, com frequências cardíacas elevadas e que podem
causar morte súbita ou desmaio.
• Arritmias hereditárias e Morte Súbita
Existe um conjunto de arritmias secundárias a anomalias genéticas hereditárias.
Manifestam-se em idades mais jovens, por vezes em corações estruturalmente normais, e
originando arritmias graves (taquicardia ventricular, fibrilação ventricular) que podem causar
morte súbita.
 22

3.4 INTELIGÊNCIA ARTIFICIAL E MACHINE LEARNING

Em geral, as técnicas computadorizadas abrangem as etapas mostradas na Figura 5.
(Cardozo, 2018)
Figura 5: Etapas técnicas computadorizadas.

Fonte: Autores.

A primeira etapa de pré-processamento tem como objetivo filtrar ruídos externos e

estimar a localização do complexo QRS. A etapa de segmentação tem como objetivo detectar
os limites de QRS e a onda P e T. Já a etapa de extração de características, obtém informações
relevantes do sinal, capaz de distinguir os tipos analisados além de reduzir a dimensionalidade
da matriz de dados originais. Uma técnica interessante, no caso do ECG é a transformada de
Wavelet, pela sua capacidade de análise em tempo-frequência.
Por fim, temos a etapa de classificação por machine learning cuja abrangência de
métodos aplicáveis ao objetivo proposto deste trabalho é vasta. O aprendizado de máquina tem
a finalidade de analisar uma grande quantidade de dados estruturados.
Os algoritmos de aprendizado de máquina são comumente categorizados em:
• Supervisionados: O algoritmo de aprendizado de máquina é treinado a partir de dados
rotulados, produzindo uma função inferida capaz de gerar valores de previsão. O sistema
é capaz de comparar a saída obtida com a saída planejada, evidenciando erros e alvos
dos sinais em estudo. (CHINNAMGARI, 2019)
• Não-supervisionados: O algoritmo de aprendizado de máquina é treinado a partir de
dados não rotulados nem classificados. O sistema não possui um referencial para
calcular a saída correta de um dado de entrada, mas pode extrair inferências a partir de
seu estudo cumulativo, descrevendo estruturas desconhecidas. (CHINNAMGARI,
2019)
• Semissupervisionados: É um método híbrido, pois abrange tanto a técnica
supervisionada quanto a não-supervisionada, visto que é utilizado dados rotulados e não
rotulados como base para o aprendizado de máquina. (CHINNAMGARI, 2019)
• Aprendizado por reforço: É um método nem supervisionado nem não-supervisionado,
visto que não é utilizado dados rotulados, mas também não são dados não-rotulados
 23

devido a identificação prévia no algoritmo dos comportamentos que devem ser mantidos
daqueles que não devem durante o aprendizado de máquina. A técnica visa melhorar as
estratégias do algoritmo através do feedback de recompensa, denominado de sinal de
reforço, tornando o sistema volátil e interativo com o seu ambiente.
 24

4 METODOLOGIA
Este capítulo aborda as metodologias definidas para cumprimento dos objetivos deste
projeto.

4.1 VISÃO GERAL DO SISTEMA

A fundamentação teórica consolida os pontos que devem ser observados, expandindo o

conhecimento sobre o coração, ECG e Machine Learning.
Agora torna-se possível a idealização dos softwares que regerão o monitoramento ECG,
assim como os componentes que caracterizarão os circuitos.
A proposta deste projeto é o desenvolvimento de um dispositivo vestível, aproximando-se
das dimensões de um bracelete (figura 6), no qual são dispostos eletrodos que permitem o
monitoramento do sinal de ECG. Há também um led na parte frontal para indicação da
ocorrência de arritmias e um botão para fazer o reset do aparelho. A fim de otimizar o custo-
benefício do sistema, propõe-se que o próprio dispositivo, informe por meio de um módulo
GPS a localização precisa do usuário à um hospital, SAMU ou pessoa credenciada, agilizando
o atendimento de emergência. Idealiza-se também a visualização do ECG, da frequência
cardíaca, da indicação de arritmia, caso ocorra, e da localização precisa do usuário, de maneira
simples e clara em um aplicativo mobile de fácil acesso ao usuário.

Figura 6: Design do equipamento.

Fonte: Autores.
 25

4.2 PROJETO DE HARDWARE

Neste capítulo será apresentado o projeto de hardware do dispositivo principal, bem como
a descrição dos principais componentes que subsidiam o projeto.

4.2.1 Diagrama de blocos

Para implementar o circuito do projeto, foi montado um diagrama de blocos de alto nível
que demonstra os principais componentes presentes no projeto. É possível observar esse
diagrama na figura 7, evidenciando o AD8233 que é responsável pela aquisição e pré-
processamento do ECG e o microcontrolador ADuCM3029 responsável pelo processamento e
classificação das arritmias, pelo gerenciamento dos sistemas de localização (GPS) e de envio
de mensagem (GSM). Cada bloco será explicado conforme a descrição dos componentes no
próximo item.

Figura 7: Diagrama de blocos do sistema.

Fonte: Autores.
 26

4.2.2 Descrição funcional e configuração dos principais componentes

4.2.2.1 Interface analógica AD8233
O objetivo deste circuito integrado é adquirir, amplificar e filtrar os sinais de ECG,
servindo de front-end para os conversores analógico-digital do microcontrolador e posterior
análise.
O diagrama funcional do AD8233 mostrado na figura 8 apresenta um amplificador de
instrumentação (IA) para a amplificação do sinal, um amplificador operacional de propósito
geral (A1) que pode ser usado para implementação de filtros com componentes externos e
amplificação do parâmetro, um circuito de restauração rápida (A3), um circuito que detecta
mau contato nos eletrodos (C) e um circuito de realimentação de perna direita (A2) como
principais blocos.

Figura 8: Diagrama de blocos funcional do AD8233

Fonte: Folha de dados do AD8233.

O amplificador de instrumentação é o bloco principal do AD8233, e seu diagrama

esquemático é mostrado na figura 9. Este circuito recebe o sinal de ECG através das entradas
B5 e C5, passa por um filtro para atenuar interferências de rádio frequência, por dois
amplificadores de transcondutância casados, por um amplificador passa-alta e por um circuito
integrador. Este circuito utiliza a resistência e a capacitância de entrada para a implementação
 27

de um filtro passa-baixa para a eliminação das interferências de alta frequência. Essa topologia
é realimentada por duas vias. A primeira via é através da associação de resistência na saída do
integrador que realimenta até a entrada do GM2. A segunda realimentação se dá através do
amplificador passa-alta que tem o objetivo de atenuar o nível médio do sinal.

Figura 9: Diagrama esquemático do amplificador de instrumentação do AD8233

Fonte: Folha de dados do AD8233.

Para implementar o módulo, o fabricante disponibiliza algumas equações para a

determinação das frequências de corte de filtros necessários para o condicionamento do sinal.

Figura 10: Filtro passa-alta implementado no AD8233

Fonte: Folha de dados do AD8233.

A figura 10 apresenta a montagem de um filtro passa-alta à fim de rejeitar sinais de

baixas frequências localizadas entre HPDRIVE e HPSENSE, HPSENSE e IAOUT. A
frequência de corte deste filtro é dada pela equação (1).
 28

100
𝑓𝑐 = (1)
2𝜋𝑅𝐶

O AD8233 apresenta um amplificador operacional que pode ser utilizado para o controle
de ganho e filtragem do sinal. Na aplicação foi implementado um filtro passa-baixa na topologia
Sallen-Key, como mostrado na figura 11.

Figura 11: Esquemático para o filtro passa-baixas.

Fonte: Folha de dados do AD8233.

Para a implementação dos filtros é necessário utilizar a equação (2) para determinar a
frequência de corte, a equação (3) para determinar o ganho e equação (4) para determinar o
fator de qualidade.
1
𝑓𝑐 = (2)
2𝜋√𝑅1 × 𝐶1 × 𝑅2 × 𝐶2
𝑅3
𝐺𝑎𝑛ℎ𝑜 = 1 + (3)
𝑅4
1
𝑄= (4)
2𝜋√𝑅1 × 𝐶1 × 𝑅2 × 𝐶2

4.2.2.2 Microprocessador ADuCM3029.

O ADuCM3029 é um microcontrolador da Analog Devices de baixa potência, com um
núcleo baseado em um processador ARM Cortex- M3 que pode ser utilizado em aplicações de
internet das coisas, dispositivos vestíveis, machine learning e redes neurais. Esse
microcontrolador possui interface digital I2C, SPI e UART, GPIOs programáveis, um
conversor analógico digital de 12 bits, com 1,8MSPS e um comparador digital.
 29

Para a aplicação dentro do projeto, o componente tem a finalidade de receber o biosinal

(tratado pela interface analógica do AD8233), analisar através algoritmos de machine learning
e atuar, se detectado uma anomalia, acionando a comunicação GSM para enviar a localização
utilizando o módulo de GPS e indicando ao usuário a partir de LEDs indicativos. Esse
microcontrolador foi escolhido pois a própria Analog Devices recomenda a implementação do
mesmo juntamente com o AD8233 na sua folha de dados. Para tal aplicação é necessário a
utilização de um regulador de tensão linear ADP 150 como periférico.

4.2.2.3 Módulo GSM SIM800L

O SIM800L é um módulo que estabelece comunicação utilizando o sistema global de
comunicação (GSM). Com esse componente, é possível realizar e receber ligações e mensagens
instantâneas (SMS). O módulo possui uma interface analógica para a recepção e transmissão
de voz e uma interface digital para o envio de mensagens instantâneas. Por não ser necessário
para o projeto, utilizaremos somente a comunicação com mensagens instantâneas. Por ser um
módulo que é utilizado em tecnologia celular, a alimentação típica é de 4,1V, levantando a
necessidade da utilização de um regulador de tensão como periférico.

4.2.2.4 Módulo GPS GSM-B6

O GPS GSM-B6 é um módulo que se comunica através de triangulação de satélites para
o recebimento da localização, se comunicando com o microcontrolador através do protocolo de
comunicação serial. Este módulo pode operar na tensão de 3,3 a 5V e, portanto, não necessita
de um regulador de tensão como periférico.

4.2.2.5 Bateria
A alimentação do circuito pode ser feita através de baterias de íons de lítio de 5V pois
são frequentemente utilizadas para a alimentação de circuitos em geral e pela baixa demanda
de corrente que o sistema exige, já que a maioria dos módulos são de baixa potência e possuem
modo de hibernação. Outro ponto que influencia a escolha é o baixo custo que estas baterias
têm no mercado.
 30

4.2.3 Diagrama de interligação dos principais blocos do hardware

Figura 12: Circuito completo do sistema

Fonte:Autores

A figura 12 mostra o circuito completo com as interligações dos principais blocos do

hardware. Para a montagem final destes componentes foi levado em consideração algumas
recomendações da folha de dados dos componentes.
A primeira topologia observada é a ligação da interface analógica do AD8233 com o
microcontrolador. O componente é conectado ao microcontrolador através de dois terminais de
controle e um terminal de saída analógico, que apresenta o sinal condicionado. Os valores dos
capacitores e resistores, para a implementação dos filtros, foram definidos para uma largura de
banda de 0,05 a 150Hz, recomendado para o diagnóstico em sinais de ECG.
O circuito de ligação do módulo de GPS utiliza dois capacitores e um indutor na porta de
alimentação VCC para estabilização do sinal de alimentação. A porta TX0 envia sinais ao
microcontrolador e a RX0 recebe sinais do microcontrolador através de suas conexões diretas.
A porta NRESET é conectada à saída de RESET do microcontrolador. A porta 3D-FIX é
conectada a um LED e quando aceso, indica pleno funcionamento. Na porta VBACKUP, como
sugestão do fabricante, o ideal é colocar uma fonte de tensão de backup caso ocorra alguma
instabilidade, dessa forma, será feita uma conexão direta entre a bateria e a porta.
No caso do módulo GSM, é utilizado mais terminais de comunicação serial do
microcontrolador para a comunicação. Além disso, é necessário a utilização de um regulador
 31

de tensão externo pois o componente é alimentado com uma tensão de 4,1V. O regulador
escolhido foi o LM2596-ADJ, por ser um regulador ajustável através de um divisor de tensão
que realimenta o circuito. Além disso, o componente apresenta capacitores e indutores para a
estabilização da tensão e um diodo de proteção na saída.
Para a alimentação do microcontrolador e da interface analógica foi utilizado o regulador
de tensão linear ADP150, que mantém a tensão entre 1,8 à 3,5V nestes componentes. Foram
colocados capacitores externos para a estabilidade da tensão de entrada e saída.

4.3 PROJETO DE SOFTWARE

O projeto de software conta com três etapas fundamentais: a primeira refere-se à
inteligência computacional desenvolvida para treinamento e teste do sistema de classificação
de sinais de ECG. A segunda parte é o algoritmo desenvolvido a ser implementado no
dispositivo vestível. E a terceira etapa é o algoritmo desenvolvido no receptor dos dados, onde
será apresentado os resultados obtidos através de um aplicativo web.

4.3.1 Inteligência computacional para classificação de sinais de ECG

O sistema a ser desenvolvido deve operar de acordo com a Figura 5. O algoritmo é treinado
seguindo a metodologia de aprendizado de máquina supervisionado a partir do banco de dados
rotulado entre as cinco classes recomendadas pela AAMI (Association for the Advancement of
Medical Instrumentation):
• Normais e de bloqueio por ramo (N)
• Supraventriculares ectópicos (SVP)
• Ventriculares ectópicos (PVC)
• Fusão de normais e ventriculares (FVN)
• Desconhecido ou com marca-passo (FPN)
Será utilizado o software MATLAB para implementação da inteligência computacional,
pois possui módulos já desenvolvidos de teste e treinamento de redes, e é uma ferramenta de
grande relevância no mercado.

4.3.1.1 Base de dados

O banco de dados escolhido é o MIT-BIH Arrhythmia Database (Moody & Mark, 2001)
desenvolvido pelo Laboratório de Arritmias do Hospital Beth Israel de Boston (BIH, do inglês:
 32

Beth Israel Hospital) em parceria com o Instituto de Tecnologia de Massachusetts (MIT, do

inglês: Massachusetts Institute of Technology – MIT).
Foi obtido em 1975 através de um gravador de fita com dois canais e o sinal foi
transmitido para um computador através de um conversor analógico-digital de 11 bits. Depois
de digitalizados, todos os registros foram impressos e entregues a dois cardiologistas para
avaliação. Mesmo após avaliação, alguns registros permaneceram sem classificação devido à
falta de consenso entre os médicos. (MOODY e MARK, 2001)
A base é composta por 48 avaliações ambulatoriais de trinta minutos cada, das quais, 23
amostras são de pacientes internados e ambulatoriais e as 25 restantes são arritmias menos
comum (MOODY e MARK, 2001).

4.3.2 Algoritmo implementado no dispositivo vestível

O algoritmo implementado no dispositivo vestível segue o fluxograma da Figura 13.
A aquisição dos dados do ECG ocorre através dos eletrodos que serão conectados na
pulseira.
O ECG é transformado em um sinal digital através do conversor ADC. O modelo
treinado previamente e programado dentro do microprocessador fará a classificação do sinal
cardíaco aferido.
Caso o sistema classifique, por exemplo, os sinais como supraventriculares ectópicos,
ventriculares ectópicos, fusão de normais e ventriculares ou desconhecido ou com marca-passo
o LED é acionado alertando o paciente a detecção de arritmia. Caso seja classificado como
normais e de bloqueio por ramo o sistema retorna para a aquisição de dados cardíacos.
Após o acendimento do LED, o sistema requisita a localização do usuário através do
módulo de GPS. Com a confirmação do recebimento, a localização, o sinal de ECG e sua
classificação são enviados ao módulo GSM.
O botão de reset é utilizado caso o usuário queira cessar o envio dos sinais para o módulo
GSM e apagar o LED indicativo.
É possível desenvolver uma procedure tanto para módulo GPS quanto para o GSM.
Após a requisição do microcontrolador o sinal de localização é enviado ao microprocessador
pelo módulo GPS. Já o módulo GSM, ao receber o sinal de localização, ECG e sua classificação
envia esses dados ao receptor via internet.
 33

Figura 13: Algoritmo do dispositivo.

Fonte: Autores

4.3.3 Algoritmo implementado no receptor

A terceira etapa do projeto de software consiste no algoritmo implementado no receptor
dos dados captados.
 34

Figura 14: Algoritmo receptor

Fonte: Autores
Para funcionamento, o sistema precisa estar conectado a uma rede internet. A recepção
dos dados enviado pelo módulo GSM se dá através de um dispositivo celular ou um
computador. O software pode ser desenvolvido como um aplicativo web, pois assim não há
gastos de implementação dos aplicativos nos sistemas de operação da Apple e Android, por
exemplo.
A figura 15 exemplifica a tela de interface do aplicativo, mostrando de forma simples e
clara o ECG, a frequência cardíaca, a indicação de arritmia, caso ocorra e a localização precisa
do usuário do dispositivo.
 35

Figura 15: Interface Digital do aplicativo

Fonte: Autores
 36

5 RESULTADOS PRELIMINARES
Visando fundamentar e verificar a viabilidade da metodologia de treinamento de modelos
de machine learning para classificação de amostras de ECG, foi utilizado um banco de dados
physionet (MOODY e MARK, 2001) com 162 amostras de eletrocardiogramas, contendo 96
gravações de pessoas com arritmia, 30 gravações de pessoas com insuficiência cardíaca e 36
gravações de pessoas com ritmo sinusal normal. Cada amostra é catalogada com um rótulo que
identifica o diagnóstico do sinal, sendo ARR para arritmia, CHF para insuficiência cardíaca e
NSR para ritmo sinusal normal.
O software MATLAB foi escolhido para tratar e aplicar o algoritmo supervisionado de
machine learning no banco de dados. A figura 16 apresenta o código que, primeiramente
carrega o banco de dados no programa. Posteriormente, são escolhidos randomicamente 70%
das amostras totais para treinamento do modelo e 30% das amostras totais para teste do modelo.
Em seguida, é aplicado uma função que faz a extração de características das amostras para uma
melhor avaliação do modelo.

Figura 16: Programa em MATLAB para o tratamento de banco de dados

Fonte: Autores.
De posse dos dados, foi utilizado um aplicativo do MATLAB chamado Classification
Learner para a investigação e determinação dos melhores modelos de machine learning. A
figura 17 mostra a interface do aplicativo, mostrando a escolha dos dados de treinamento
(trainingData) como variável para serem classificados, e os rótulos (Labels) como parâmetros
de classificação.
 37

Figura 17: Interface do aplicativo Classification Learner

Fonte: Autor.
Após a etapa de treinamento, o aplicativo apresenta as acurácias de treinamento para
diversos modelos de machine learning. As figuras 18 e 19 exibem os modelos e suas acurácias
no treinamento.

Figura 18: Acurácias dos 12 primeiros métodos de machine learning.

Fonte: Autores.
 38

Figura 19: Acurácias dos 12 últimos métodos de machine learning.

Fonte: Autor.

O aplicativo apresenta o recurso de exportar o modelo como código MATLAB para a

testagem com as amostras de teste. Visando aferir os resultados, foi exportado o modelo KNN
e seu código MATLAB pode ser visto na figura 20. O modelo exportado, foi testado com as
amostras de testes (diferentes das amostras de treinamento) e a acurácia obtida foi de 100%.
 39

Figura 20: Código MATLAB do modelo KNN exportado

Fonte: Autor.
 40

6 RESULTADOS ESPERADOS

A partir da elaboração deste trabalho, é esperado o desenvolvimento de um dispositivo

vestível que seja compacto, levando em consideração as dimensões dos componentes, para o
monitoramento autônomo utilizando inteligência artificial, com intuito de detectar anomalias
cardíacas em sinais de ECG, melhorando o custo-benefício das tecnologias presentes no
mercado.
 41

7 CRONOGRAMA
As atividades previstas no Capítulo 6 foram divididas em seis meses, conforme mostrado
na Tabela 1, indicando as tarefas que devem ser realizadas de janeiro a junho. Este cronograma
poderá sofrer alterações caso seja necessário.
Tabela 1: Cronograma

Meses
Atividade 1 2 3 4 5 6
Escrita do capítulo de revisão bibliográfica
Melhoramento da fundamentação teórica
Desenvolvimento do firmware
Desenvolvimento do hardware
Integração dos sistemas
Testes
Monografia

Fonte: Autores.
 42

8 CONCLUSÕES
Este projeto propõe um dispositivo vestível de aquisição de sinais de eletrocardiograma e
classificação de arritmias através do treinamento do sistema machine learning. Os dados
captados são mostrados através de uma interface web, possibilitando a monitoração remota por
um profissional de saúde.
A proposta é interessante nos quesitos de inovação tecnológica, ao mesmo tempo que se
torna desafiador desenvolver um equipamento com características que ainda não foram
totalmente implementadas no mercado. O requerimento de um dispositivo wearable torna-o
ainda mais desafiador, por precisarmos pensar nos parâmetros de dimensão, além dos fatores
externos, pois é algo totalmente diferente dos costumeiros monitores cardíacos. Existe uma
grande possibilidade de as interferências externas dificultarem a leitura e interpretação dos
biossinais, portanto, dispositivos mais sensíveis e de grande acuracidade devem ser
devidamente analisados.
O processamento de sinais nos remete ao estudo dos filtros para os sinais cardíacos, onde
uma grande seletividade é requerida.
A dificuldade até o momento relaciona-se com a grande quantidade de possibilidades de
aquisição e interpretação de dados, à medida que como discutido, devemos estar associados à
dimensão, versatilidade de condições do ambiente parametrizado, além do custo-benefício. De
igual modo, a assimilação entre as diversas formas de comunicação entre os blocos do projeto
torna-se laborioso, uma vez que são dispositivos para aplicações diversas, integrá-los seria o
desafio aparente.
 43

REFERÊNCIAS

BAIM, D. S. et al. Survival of patients with severe congestive heart failure treated with oral
milrinone. J American College of Cardiology, v. 7(3), p. 661-670, 1986. Disponível em:
<https://physionet.org/content/chfdb/1.0.0/>. Acesso em: 29 Novembro 2021.

CARDOZO, R. A. Sistema de Apoio a Diagnóstico de Arritmias Cardíacas. Dissertação

(Mestrado Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná. Ponta Grossa,
p. 124. 2018.

CARMO, R. L. Ciclo cardíaco, 2021. Disponível em:

<https://www.kenhub.com/pt/library/anatomia/ciclo-cardiaco>. Acesso em: 15 outubro 2021.

CHINNAMGARI, S. K. R Machine Learning Projects: Implement supervised, unsupervised,

and reinforcement learning techniques using R3.5. Birmingham: Packt, 2019.

DANTAS, H. A. D. O. Sistema Cardiovascular. ULBRA, [s.d]. Disponível em:

<https://ulbra-to.br/morfologia/2011/08/17/Sistema-Circulatorio>. Acesso em: 14 Outubro
2021.

DARAYA, V. Brasileiros criam monitor cardíaco portátil inteligente, 2013. Disponível em:
<https://exame.com/ciencia/brasileiros-criam-monitor-cardiaco-portatil-inteligente/>. Acesso
em: 02 Novembro 2021.

DUTRA, A. F. et al. Enfermagem em Cardiologia Intervencionista. [S.l.]: Editora dos

Editores, 2009. Disponível em: <https://editoradoseditores.com.br/wp-
content/uploads/2019/01/Cap.01-HCOR-ECI.pdf>. Acesso em: 15 Novembro 2021.

ESPINDOLA, B. M. Análise do Sinal de Eletrocardiograma para Detecção de

Cardiopatias. Trabalho de Conclusão de Curso (Graduação Engenharia de Telecomunicação)
- Instituto Federal de Santa Catarina. São José, p. 30. 2018.

GOLDBERGER, A. L. et al. PhysioBank, PhysioToolkit, and PhysioNet: Components of a

New Research Resource for Complex Physiologic Signals. Circulation, v. 101(23):e215-e220,
 44

2000. Disponível em: <http://circ.ahajournals.org/content/101/23/e215.full>. Acesso em: 27

Novembro 2021.

HUANG, J. et al. ECG Arrhythmia Classification Using STFT-Based Spectrogram and

Convolutional Neural Network. IEEE Access, v. 7, p. 92871-92880, 2019. Disponível em:
<https://ieeexplore.ieee.org/document/8759878>. Acesso em: 27 Novembro 2021.

LAPA, E. A frequência cardíaca normal fica entre 60 e 100 bpm, certo? Errado!
CardioPapers, 2016. Disponível em: <https://cardiopapers.com.br/a-frequencia-cardiaca-
normal-fica-entre-60-e-100-bpm-certo-errado/>. Acesso em: 27 Novembro 2021.

MARGATO, R. Arritmia cardíaca, 2021. Disponível em:

<https://www.saudebemestar.pt/pt/medicina/cardiologia/arritmia-cardiaca/>. Acesso em: 20
outubro 2021.

MOODY, G. MIT-BIH Normal Sinus Rhythm Database. Physionet, 1999. Disponível em:
<https://physionet.org/content/nsrdb/1.0.0/>. Acesso em: 29 Novembro 2021.

MOODY, G. B.; MARK, R. G. The impact of the MIT-BIH Arrhythmia Database. IEEE Eng
in Med and Biol., v. 20(3):45-50, 2001. Disponível em:
<https://physionet.org/content/mitdb/1.0.0/>. Acesso em: 29 Novembro 2021.

OPAS. Doenças cardiovasculares, [s.d.]. Disponível em:

<https://www.paho.org/pt/topicos/doencas-cardiovasculares>. Acesso em: 01 Novembro
2021.

SILVA, A. C. Anatomia e fisiologia. Sistema cardiovascular. Capacitação parada

Cardiorespiratória Adulto, [s.d]. Disponível em:
<http://www2.eerp.usp.br/Nepien/PCR/car_conducao.html>. Acesso em: 22 Novembro 2021.

SILVA, A. L. Você sabe quando indicar marca-passo provisório no IAM? CardioSite, 2018.
Disponível em: <https://www.cardiosite.com.br/voce-sabe-quando-indicar-marca-passo-
provisorio-no-iam/>. Acesso em: 2021.
 45

SMART LOOPER. CARDIOWEB, 2021. Disponível em:

<https://www.ecgweb.com.br/smart-looper/>. Acesso em: 04 Novembro 2021.

SOBRAC. Campanha coração na batida certa: Brasill em ação pela prevenção e tratamento
das arritmias cardíacas e mortes súbitas, 2019. Disponível em:
<https://sobrac.org/home/campanha-coracao-na-batida-certa-brasil-em-acao-pela-prevencao-
e-tratamento-das-arritmias-cardiacas-e-morte-subia/>. Acesso em: 29 Outubro 2021.